Nemotron 3.5 Transcribe vs Gemini 3.5 Transcribe : 2,8 % sur la diapositive, 3,4 % sur le tableau

Google Gemini 3.5 Transcribe occupe la neuvième place du tableau de reconnaissance vocale non-streaming d’Artificial Analysis, avec un taux d’erreur de 2,6 %. NVIDIA Nemotron 3.5 Transcribe, publié en poids ouverts le 28 octobre 2026, occupe la vingtième place avec 3,4 %. Quatre dixièmes de point les séparent sur le seul index public qui évalue les deux, et ces quatre dixièmes sont presque l’information la moins utile de cette comparaison. Les deux n’ont pas été conçus pour le même travail : l’un est un point de terminaison géré qui nettoie une transcription avant de vous la présenter, l’autre est un checkpoint que l’on télécharge et qui distingue correctement huit locuteurs pendant qu’ils se coupent la parole. Le classement ne flatte ni l’un ni l’autre pour ce pour quoi chacun a réellement été conçu.

Il vaut la peine de signaler d’emblée une divergence, car elle revient dans chaque article consacré à ce modèle cette semaine. La documentation de lancement de NVIDIA rapporte 2,8 % d’AA-WER et une première place ex aequo parmi les systèmes à poids ouverts. Le tableau en direct, consulté le 29 octobre, affiche 3,4 % à la vingtième place. Les deux chiffres proviennent du même indice, et ils ne correspondent pas à des mesures d’une même exécution — ce qui constitue la première leçon pratique de ce rapprochement, et la raison pour laquelle la section sur la précision ci-dessous est rédigée comme elle l’est.

Ce que NVIDIA a livré, et ce que Google fait tourner depuis août

Nemotron 3.5 Transcribe n'est pas un transducteur, ni un simple encodeur. C'est un modèle de langage augmenté par la parole : un encodeur vocal alimente un modèle Nemotron 3 Diarization gelé, dont le signal d'activité des locuteurs est injecté dans l'encodeur ASR via ce que NVIDIA appelle un « Parallel Expert Encoder », et le décodeur est un LLM hybride Mamba–Transformer à mélange d'experts, avec environ 4 milliards de paramètres actifs par token sur un total d'environ 30 milliards. Les supports de l'entreprise utilisent à la fois les étiquettes 30B-A3B et 30B-A4B pour la moitié correspondant au modèle de langage, et la barre latérale de Hugging Face indique 34B une fois la pile audio comptée ; il faut donc considérer tout chiffre unique de paramètres comme approximatif. Les poids sont disponibles gratuitement sous licence OpenMDW-1.1, qui autorise l'usage commercial.

Gemini 3.5 Transcribe est généralement disponible depuis le 26 août 2026, à 2,00 $ par million de jetons d’entrée audio et 12,00 $ par million de jetons de sortie texte, ce qui correspond, selon Google, à environ 0,005 $ par minute, soit environ 0,30 $ par heure audio. Il dispose d’un niveau gratuit dans le quota, d’une SKU de diffusion en direct distincte à environ 0,009 $ par minute, et d’aucun poids du tout.

Le nombre qui a changé entre le dossier de lancement et le lendemain matin

L’AA-WER d’Artificial Analysis repose sur trois jeux de données — AgentTalk à 50 %, VoxPopuli-Cleaned à 25 %, Earnings22-Cleaned à 25 % — et l’indice est un score mixte unique, et non un score par domaine. Cela compte parce qu’AgentTalk est de la parole d’agent vocal, courte, propre et fortement représentée dans le mélange d’entraînement d’un fournisseur si celui-ci vend des agents vocaux. Un modèle qui l’emporte sur le mélange peut échouer sur votre archive.

Lisez le classement tel qu'il se présente : l'ordre du classement est le suivant : MAI Transcribe 2 à 2,0 %, Voxtral Small Transcribe 3 à 2,1 %, Gemini 3.5 Transcribe à 2,6 %, GPT Transcribe à 3,3 %, Nemotron 3.5 Transcribe à 3,4 %. La revendication de 2,8 % de NVIDIA, si elle s'était vérifiée, aurait placé le nouveau modèle au même niveau que Gemini 3.1 Pro Preview et Voxtral Small, et nettement devant le modèle par lots d'OpenAI. À 3,4 %, il est derrière tous les autres et à égalité avec trois systèmes, dont une variante Gemini Flash-Lite contre laquelle il n'a jamais été positionné. Une révision de 0,6 point n'est pas une erreur d'arrondi sur un indice où tout le top 10 se situe entre 1,7 % et 2,9 %.

La lecture honnête n’est pas que NVIDIA ait menti. AA refait ses mesures lorsqu’un modèle est servi sur un nouveau point de terminaison ou réexécuté sur des entrées actualisées, et le chiffre annoncé au lancement reflète presque certainement la soumission de NVIDIA elle-même plutôt que l’hôte par défaut du classement. Mais c’est exactement le type d’écart qui se transforme en erreur d’achat : une équipe qui prévoit son budget sur la base de « premier parmi les modèles à poids ouverts » puis mesure 3,4 % a acheté un modèle sur une diapositive.

Ce que Google vend et que NVIDIA ne vend pas

La fonctionnalité qui décide de plus de contrats de transcription que le WER est ce qui advient aux mots après la reconnaissance, et Gemini 3.5 Transcribe est bâtie autour d’elle. Son mode verbatim par défaut conserve les mots de remplissage, les faux départs et les répétitions pour les travaux de conformité ; son mode intelligent supprime les disfluences, résout les autocorrections et normalise les nombres et devises prononcés en une seule passe. Un vocabulaire personnalisé oriente la reconnaissance vers jusqu’à 1 000 termes, Google recommandant environ 100 termes bien choisis. Aucun de ces deux éléments n’existe dans Nemotron 3.5 Transcribe, qui peut être *guidé* vers une liste d’entités et auquel on peut demander de produire une sortie verbatim ou sous forme écrite, mais qui laisse le formatage des nombres et la réparation des autocorrections à ce qui lira la transcription ensuite.

Google l’emporte aussi sur l’étendue des locales nommées : 85+, avec détection automatique et alternance codique au sein d’une même phrase, contre 40 pour la transcription et 31 pour la traduction chez NVIDIA. Les variantes nommées sont comptées. Si votre file d’attente comprend une langue qui figure sur la liste de Google et non sur celle de NVIDIA, il n’y a aucun benchmark à débattre.

Ce que NVIDIA vend et que Google ne vend pas

L’attribution des locuteurs est le cas inverse, et elle est plus nette que ne le suggère le marketing. Gemini 3.5 Transcribe documente jusqu’à huit locuteurs, mais les propres documents de Google signalent l’attribution pour trois locuteurs ou plus comme expérimentale, et son blog met en avant « jusqu’à trois ». Nemotron 3.5 Transcribe étiquette jusqu’à huit locuteurs, le fait en 13 langues et renvoie des horodatages au niveau des mots avec attribution de locuteur via un adaptateur CTC de post-décodage qui aligne la transcription finale sur l’audio.

• Paramètres — 30 B au total avec environ 4 B actifs, MoE hybride Mamba–Transformer face à une stack vocale propriétaire non divulguée.

• Licence — OpenMDW-1.1, utilisation commerciale, poids téléchargeables contre API uniquement, sans droits de redistribution.

• Prix — aucun tarif catalogue publié ; le coût correspond au temps GPU, et une version NVFP4 sur une seule RTX PRO 6000 Blackwell serait capable de traiter jusqu’à 2 238 secondes d’audio par seconde, contre 0,005 $ par minute en coût mixte.

• Langues — 40 transcrites, 31 traduites vers ou depuis l’anglais, 13 avec étiquettes de locuteur vs 85+ locales avec alternance codique.

• Haut-parleurs — 8, documentés et évalués comparativement par rapport à 8 documentés, 3+ signalés comme expérimentaux.

• Durée audio — 1 heure en une seule passe contre 1 heure, réduite à 30 minutes lorsque la diarisation ou les horodatages sont demandés.

• Streaming — aucun ; audio enregistré uniquement vs une SKU live distincte à environ 0,009 $ par minute.

• Post-traitement — verbatim ou forme écrite contrôlés par le prompt ; aucun nettoyage intégré, contrairement à un mode intelligent qui supprime les mots parasites et corrige les autocorrections.

Les chiffres de diarisation que seule une partie publie

C’est ici que la comparaison cesse d’être serrée et devient franchement déséquilibrée, et c’est aussi là que les sources se raréfient. NVIDIA rapporte un taux d’erreur de diarisation de 18,26 % sur 21 langues dans le benchmark David AI, le plus faible des 14 systèmes évalués, l’entrée suivante étant son propre modèle Nemotron 3 Diarization à 18,38 %, et tout le reste entre 22,85 % et 37,55 %. Sur Diarization-Bench de VoiceArena, il rapporte un WER concaténé à permutation minimale de 32,4 %, le meilleur sur 14, le deuxième étant à 34,2 %. Sur des sessions en anglais avec chevauchement de parole, il rapporte une omission de 8,32 % des mots de référence, contre une médiane d’environ 31 %.

Google ne publie aucun taux d’erreur de diarisation pour Gemini 3.5 Transcribe. Pas un taux moins bon — aucun. Cette asymétrie joue dans les deux sens et doit être dite clairement : les chiffres de NVIDIA sont déclarés par le fournisseur sur le banc d’essai de NVIDIA, et il n’existe aucun chiffre tiers auquel les comparer, car les classements indépendants de diarisation qui existent sont majoritairement peuplés des systèmes que NVIDIA elle-même y a soumis. Ce qui n’est pas en doute, c’est le plafond documenté : Gemini est limité à huit locuteurs, avec une attribution expérimentale au-delà de trois, et réduit votre durée audio maximale d’une heure à trente minutes dès que vous demandez simultanément des étiquettes de locuteur et un horodatage des mots. Si votre matériel est une réunion de conseil d’administration à six personnes, il s’agit d’une limitation produit plutôt que d’une question de qualité, et aucune comparaison de WER ne le fera ressortir.

Combien coûte réellement une heure d’audio sur chacun

Faites-le tourner sur mille heures par mois, une charge réaliste pour un centre de contact ou une archive médiatique. Gemini 3.5 Transcribe à 0,005 $ la minute, cela représente 300 $ pour mille heures. Nemotron 3.5 Transcribe n’a pas de prix catalogue parce qu’il n’y a rien à lister : vous achetez le GPU. Une seule RTX PRO 6000 Blackwell exécutant le checkpoint NVFP4 est la configuration que NVIDIA démontre, et l’argument de débit — jusqu’à 2 238 secondes d’audio par seconde — s’accompagne d’une condition que l’article Hugging Face énonce et que les titres omettent : elle a été mesurée sur des clips de 30 secondes à forte concurrence. Les longues réunions avec des prises de parole qui se chevauchent n’atteindront pas ce chiffre.

Le point de bascule est donc une question d’utilisation, pas une question de prix. Une seule carte qui coûte à peu près le même prix que quelques mois de transcription gérée ne s’amortit que si vous la faites tourner à plein, et elle ne s’amortit jamais face à 300 $ par mois d’appels API sur une petite file d’attente. L’argument en faveur du checkpoint n’est pas des minutes moins chères à faible volume. C’est que les minutes cessent purement et simplement d’être une ligne de coût, que l’audio ne quitte jamais votre réseau et que le fine-tuning représente un après-midi sur un seul GPU — NVIDIA indique 0,5 à 2,3 heures GPU par tâche, et une adaptation à la parole médicale qui a fait passer le taux d’erreur de mots de 30,8 % à 11,8 % sur 3 619 clips, les locuteurs mis de côté passant de 22,44 % à 12,17 %.

La page de recherche de NVIDIA est le seul endroit où les affirmations sur le débit et le fine-tuning apparaissent ensemble, et il vaut la peine de la lire en parallèle des chiffres ci-dessus : le chiffre de 2 238 secondes par seconde suppose le checkpoint NVFP4 et le modèle draft DFlash2 sur du matériel Blackwell, et l’affirmation de 0,5 à 2,3 heure-GPU pour le fine-tuning suppose un seul GPU et une tâche suffisamment petite pour tenir sur un seul. Ni l’une ni l’autre n’est un titre que vous pouvez recopier dans un plan de capacité sans ces réserves.

Quel que soit votre choix, la transcription n'est pas la fin du pipeline. Elle est résumée, classée, recherchée et routée, et c'est dans cette partie en aval qu'un point de terminaison unique compte : OrcaRouter regroupe plus de 200 modèles texte et multimodaux derrière une seule clé, avec les prix catalogue des fournisseurs répercutés à 0 % de marge, une bascule automatique en cas d'échec et un DSL de routage capable d'envoyer les comptes rendus de réunion à un résumeur et les revues de conformité à un autre, sans seconde intégration. Ni Gemini 3.5 Transcribe ni Nemotron 3.5 Transcribe ne figurent aujourd'hui à ce catalogue — la transcription audio reste un contrat distinct, où que vous l'achetiez — l'idée est donc plus ciblée qu'il n'y paraît : choisissez le transcripteur en fonction de la transcription, et laissez la couche au-dessus rester portable.

Lequel appartient à votre stack

Choisissez Gemini 3.5 Transcribe si votre problème est le texte : audio d’entretien avec des disfluences, paroles de centre d’appels pleines de « non attends, je voulais dire », une liste de locales que vous devez vérifier par nom, et un endpoint managé que vous pouvez mettre derrière une clé cet après-midi. C’est le modèle le plus précis du classement public aujourd’hui, avec une marge faible mais réelle ; il corrige la transcription à la volée et coûte trente cents de l’heure, avec un niveau gratuit pour tester.

Choisissez Nemotron 3.5 Transcribe si votre problème, c’est la salle. Plus de trois locuteurs, des paroles qui se chevauchent, des étiquettes de locuteur en treize langues, un horodatage des mots qui tient sur un fichier d’une heure, et une politique audio qui interdit d’envoyer l’enregistrement à un tiers — ce sont là les conditions dans lesquelles le checkpoint ouvert n’est pas un compromis, mais la seule option qui réponde à l’exigence. C’est aussi le seul des deux que vous pouvez fine-tuner, ce qui, pour de l’audio accentué ou spécifique à un domaine, vaut plus de quatre dixièmes de point.

Qu’est-ce qui changerait ce verdict : une nouvelle exécution indépendante de diarisation qui place Gemini à un niveau proche des 18,26 % de DER de NVIDIA, ou une nouvelle mesure AA qui situe Nemotron entre 2,8 % et 3,4 %. Tant que l’un de ces deux résultats ne se concrétise pas, l’argument sur l’exactitude est celui d’un fournisseur, et l’argument sur les fonctionnalités est celui que vous pouvez vérifier vous-même en un après-midi avec votre propre pire enregistrement.